情感识别技术在人工智能领域中有着广泛的应用,并且在自然语言处理中被广泛研究。本文讨论了情感识别技术在对话中所面临的挑战和最近的研究进展,同时讨论了现有方法所存在的不足和失败原因。
May, 2019
介绍情感识别和相关挑战和机遇。然后描述了主要的情感分类法和应对主观性注释的方法。接着详细阐述了深度学习方法以及处理任务性能指标和不平衡 ERC 数据的方法。最后,对关键 ERC 工作进行了描述和基准测试,并比较了它们在不同数据集上的方法和性能。强调利用技术解决不平衡数据、探索多种情感和在学习阶段融入注释主观性的好处。
Nov, 2022
基于向量连接的跨模态融合情感预测网络,包括多模态特征融合阶段和基于融合特征的情感分类阶段,同时设计了基于情感标签的监督式跨类对比学习模块,实验证实了该方法的有效性,并在 IEMOCAP 和 MELD 数据集上展现出优异的性能。
May, 2024
本研究提出了一种以情绪识别为中心的混合课程学习框架,其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力,我们观察到该模型跨多个 ERC 数据集显著提高了性能,达到了新的最先进水平。
Dec, 2021
本文研究基于 Probabilistic Soft Logic 框架的情感识别方法,利用神经嵌入和对话结构进行表达,相对于其他基于纯神经网络的方法实验结果平均提高了 20%。
Jul, 2022
提出了一种新的基于提示和语言模型调整的情感识别模型 CISPER,通过融入上下文信息、交往者情感以及常识知识等要素,可以更加准确地识别对话中的情感表达,明显超过当前最优解。
通过大型语言模型,我们提出了一种名为 InstructERC 的新方法,将情绪识别对话(ERC)任务从辨别性框架改为生成性框架,通过引入简单而有效的检索模板模块以及两个额外的情绪对齐任务,显式地整合多层次的对话监督信息和隐含的对话角色关系和未来情绪趋势,从而显著提高了性能,在三个常用的 ERC 数据集上达到了全面的 SOTA 水平。
Sep, 2023
在对话中进行情感识别(ERC)意味着检测每个话语背后的情感。有效生成话语的表示仍然是这项任务中的一个重大挑战。最近的研究提出了各种模型来解决这个问题,但是仍然难以区分类似的情感,如兴奋和幸福。为了缓解这个问题,我们提出了一种情感锚定对比学习(EACL)框架,能够为相似的情感生成更具区分性的话语表示。为了实现这一目标,我们利用标签编码作为锚点来指导话语表示的学习,并设计了一个辅助损失来确保相似情感的锚点有效分离。另外,还提出了一个额外的适应过程,将锚点适应为有效的分类器,以提高分类性能。通过广泛的实验,我们提出的 EACL 框架实现了最新的情感识别性能,并在类似情感上表现出卓越的性能。我们的代码可在此 https 网址获得。
Mar, 2024
基于 RoBERTa 编码器的上下文依赖嵌入话语表示法为核心的情感识别方法通过在分类模型中附加简单的分类模块来实现有效性,证明了这种方法在比复杂分类模块更有效的情境无关话语表示方法上表现更好。
Apr, 2023
本文提出了一个将闲聊型情绪识别模型转变为面向任务型的框架,通过改进稀有情绪的增强方法、将对话状态作为辅助特征以及设计多任务学习目标和情绪 - 距离加权损失函数来显著提高模型性能,并在 EmoWOZ 数据集上进行了验证。该模型具有强大的零样本能力,可在更广泛的场景中应用。
Aug, 2023